Communication protocols in the Internet of Things

Abstract

The rapid growth of the Internet of Things (IoT) and Wireless Sensor Networks (WSNs) signifies a fundamental shift in the methods of data sensing, processing, and transmission across several application domains. The deployment of large IoT networks, particularly those utilising Low-Power Wide-Area Network (LPWAN) technologies, such as LoRaWAN, encounters significant challenges concerning energy efficiency, scalability, fairness, and reliable data transmission. These constraints are intensified by LoRaWAN’s ALOHA-based Medium Access Control (MAC) protocol, resulting in increased collision rates, inadequate spectrum utilisation, and restricted capacity for varying data loads. This dissertation investigates these challenges through a layered methodology that begins with a comprehensive theoretical analysis of IoT communication principles, architectures, and existing protocol limitations, with emphasis on the operational dynamics of LoRaWAN. Building upon this foundational understanding, the research introduces novel MAC-layer scheduling schemes, designed to enhance performance across key network metrics. The first major contribution is Fair Collision Avoidance for LoRa (FCA-LoRa), a beacon-based scheduling protocol designed to support fair collision avoidance. FCA-LoRa incorporates superframe structuring and Carrier Sense Multiple Access with Collision Avoidance (CSMA-CA) protocol for accessing the medium to improve network coordination and minimise energy-intensive retransmissions. Following this, Time-Slotted LoRa with Variable Payload Support (TS-VPLoRa) is developed as an advanced time-slotted MAC protocol capable of managing variable payload transmissions, addressing challenges related to spreading factor (SF) collisions and spectrum underutilisation in mixed-traffic environments. Beyond MAC-level enhancements, the dissertation proposes LoRA-Federated Learning (LoRAFL), an architecture that integrates Federated Learning (FL) with LoRaWAN to enable lightweight, decentralised Artificial Intelligence (AI) model distribution. The methodology includes the design and implementation of a knowledge distillation pipeline, enabling efficient model compression and transmission under strict LPWAN constraints, leveraging FCA-LoRa. LoRA-FL focuses on enabling real-world intelligent IoT applications in a privacy-preserving and resource-aware manner. All proposed solutions were rigorously validated through simulations using OMNeT++ to model realistic LoRaWAN deployments. Experimental scenarios were designed across varied node densities and payload conditions to assess throughput, fairness, latency, and energy consumption. Specific focus was given to the simulation of AI model distribution processes in LoRA-FL, where multiple gateways served as model aggregators to assess scheduling efficiency and communication overhead. The results demonstrate considerable improvements in throughput, energy efficiency, scalability, and adaptability. These findings establish a robust basis for the development of future LPWAN systems capable of integrating intelligent, decentralised processing and adaptive scheduling. This work contributes to redefining MAC-layer design for next-generation IoT deployments, while setting a foundation for AI-enhanced, real-time, and resource-efficient IoT communication infrastructures.

Η ραγδαία ανάπτυξη του Διαδικτύου των Πραγμάτων (ΔτΠ) και των Ασύρματων Δικτύων Αισθητήρων (ΑΔΑ) σηματοδοτεί μια θεμελιώδη αλλαγή στους τρόπους ανίχνευσης, συλλογής, επεξεργασίας και μετάδοσης δεδομένων σε ποικίλους τομείς εφαρμογών. Η ανάπτυξη δικτύων ευρείας κάλυψης και ιδίως εκείνων που βασίζονται σε τεχνολογίες μετάδοσης δεδομένων με χαμηλή κατανάλωση, όπως το LoRaWAN, αντιμετωπίζει σημαντικές προκλήσεις σε ό,τι αφορά την ενεργειακή αποδοτικότητα, την επεκτασιμότητα, τη δικαιοσύνη στην κατανομή των πόρων και την αξιόπιστη μετάδοση πληροφοριών. Οι προκλήσεις της τεχνολογίας LoRaWAN, εντείνονται μέσω της χρήσης του πρωτοκόλλου ALOHA στο επίπεδο χρονοπρογραμματισμού των δεδομένων (Medium Access Control - MAC), το οποίο ορίζει τη πρόσβαση στο κοινό μέσο μετάδοσης. Το πρωτόκολλο ALOHA οδηγεί σε αυξημένα ποσοστά συγκρούσεων πακέτων, ανεπαρκή αξιοποίηση του μέσου μετάδοσης και περιορισμένη δυνατότητα διαχείρισης του μεταβλητού φορτίου δεδομένων. Η παρούσα διατριβή διερευνά αυτές τις προκλήσεις ακολουθώντας μια πολυεπίπεδη μεθοδολογική προσέγγιση, ξεκινώντας από αναλυτική θεωρητική διερεύνηση των αρχών επικοινωνίας ΔτΠ, των υποκείμενων τεχνολογιών και των περιορισμών των υπαρχόντων πρωτοκόλλων, με επίκεντρο τη λειτουργική δυναμική του LoRaWAN. Με βάση αυτή τη θεμελιώδη γνώση, προτείνονται και αξιολογούνται καινοτόμα σχήματα χρονοπρογραμματισμού στο επίπεδο MAC (MAC-layer scheduling) που στοχεύουν στη βελτίωση βασικών μετρικών απόδοσης των δικτύων. Η πρώτη συνεισφορά της παρούσας διατριβής είναι το πρωτόκολλο Fair Collision Avoidance for LoRa (FCA-LoRa), μια στρατηγική προγραμματισμού βασισμένη σε πακέτα συγχρονισμού και σήμανσης (beacon-based) για αποφυγή συγκρούσεων, η οποία ενισχύει την αποδοτικότητα επιτυχημένης μετάδοσης πακέτων (throughput) και τη δικαιοσύνη σε θέματα κατανομής πόρων, ενώ ταυτόχρονα μειώνει την κατανάλωση ενέργειας σε πυκνά LoRa δίκτυα. Με βάση τη θεμελιώδη αυτή προσέγγιση, δημιουργήθηκε το πρωτόκολλο Time-Slotted LoRa with Variable Payload Support (TS-VP-LoRa), αποτελώντας την δεύτερη βασική συνεισφορά της παρούσας διατριβής. Το TS-VP-LoRa, είναι ένα νέο πρωτόκολλο που εισάγει ένα πλαίσιο λειτουργίας βασισμένο σε χρονοθυρίδες (time-slotted) με υποστήριξη μεταβλητού φορτίου δεδομένων, για τη βελτίωση της αξιοποίησης των καναλιών και τη μείωση των συγκρούσεων μεταξύ διαφορετικών παραγόντων που επηρεάζουν την κωδικοποίηση της πληροφορίας στο φυσικό μέσο (Spreading Factors) της τεχνολογίας LoRa. Προχωρώντας ένα βήμα ακόμα προς τον συνδυασμό των επιτευγμάτων στο επίπεδο χρονοπρογραμματισμού με τεχνολογίες μηχανικής μάθησης, η διατριβή εισαγάγει το LoRA-Federated Learning (LoRA-FL), μια αρχιτεκτονική που επιτρέπει την διεξαγωγή μηχανικής μάθησης Federated Learning σε δίκτυα τεχνολογίας LoRa με περιορισμένες δυνατότητες. Πιο συγκεκριμένα, το LoRA-FL επιτρέπει την ανταλλαγή γνώσης μεταξύ μοντέλων τεχνητής νοημοσύνης σε δίκτυα LoRaWAN με αποτελεσματικό τρόπο, χωρίς να επιβαρύνει το δίκτυο και ταυτόχρονα παρέχοντας προστασία της ιδιωτικότητας των δεδομένων. Επιπρόσθετα, η προτεινόμενη αρχιτεκτονική του LoRA-FL αξιοποιεί την τεχνική απόσταξης γνώσης (Knowledge Distillation) με στόχο να υπερνικήσει τις προκλήσεις που θέτει το επίπεδο MAC της τεχνολογίας LoRaWAN σε θέματα διαχείρισης πόρων. Όλες οι προαναφερθείσες προσεγγίσεις αξιολογήθηκαν διεξοδικά μέσω προσομοιώσεων στο εργαλείο OMNeT++ προκειμένου να μοντελοποιηθούν ρεαλιστικές συνθήκες λειτουργίας του πρωτοκόλλου LoRaWAN. Τα σενάρια προσομοίωσης περιλάμβαναν ποικίλες πυκνότητες κόμβων και φορτίου, με στόχο την αποτίμηση της απόδοσης ως προς τη ρυθμαπόδοση, την ενεργειακή κατανάλωση, τη δικαιοσύνη και την καθυστέρηση. Τα αποτελέσματα υποδεικνύουν σημαντικές βελτιώσεις στη διεκπεραιωτική ικανότητα, την ενεργειακή αποδοτικότητα, την προσαρμοστικότητα και επεκτασιμότητα σε όλα τα προτεινόμενα πρωτόκολλα, θέτοντας έτσι μια ισχυρή βάση για μελλοντικά πρωτόκολλα χρονικού προγραμματισμού LPWAN με ενσωματωμένη τεχνητή νοημοσύνη. Τα ευρήματα και η ανάλυση των επιτευγμάτων της παρούσας διατριβής ενισχύουν τα ισχύοντα πρότυπα σχεδιασμού του επιπέδου MAC στο ΔτΠ και καθιερώνουν μια ισχυρή βάση για την ανάπτυξη ευφυών, αποκεντρωμένων υποδομών επικοινωνίας για εφαρμογές επόμενης γενιάς στο ΔτΠ.